Skip to content
PDF Oxide

PDF Oxide vs pypdf

PDF Oxide 比 pypdf 快 15 倍，通过率更高，并内置渲染以及 Markdown/HTML 转换功能。如果你的需求不止于基础的 PDF 操作，那么 pypdf 需要多个软件包才能完成的工作，PDF Oxide 用一个库就能搞定。

为什么考虑用 PDF Oxide 取代 pypdf

速度。 pypdf 是纯 Python 实现。PDF Oxide 使用通过 PyO3 编译的 Rust 内核，直接在 Python 进程中运行。文本提取的平均耗时为 0.8ms 对 12.1ms——相差 15 倍。

可靠性。 PDF Oxide 在 3,830 个测试 PDF 上的通过率为 100%。pypdf 的通过率为 98.4%——在有效 PDF 上有 61 次失败。

功能。 pypdf 是一个 PDF 操作库（合并、拆分、旋转、加密）。要做文本提取、渲染、Markdown 输出或表单创建，你还需要额外的软件包。PDF Oxide 一次安装即可涵盖以上全部功能。

快速对比

PDF Oxide pypdf
平均提取耗时 0.8ms 12.1ms
通过率（3,830 个 PDF） 100% 98.4%
许可证 MIT BSD-3
语言 Rust + PyO3 纯 Python
文本提取 支持 支持
字符位置 支持 部分支持
图像提取 支持 支持
Markdown 输出 支持 不支持
HTML 输出 支持 不支持
PDF 创建 支持（Markdown/HTML/图像） 有限（仅合并）
表单字段 读取 + 写入 读取 + 写入
加密 读取 + 写入 读取 + 写入
渲染 支持 不支持
OCR 内置 不支持
搜索 正则 + 空间搜索 不支持
安装体积 约 5 MB 约 1 MB

代码并排对比

文本提取

PDF Oxide:

from pdf_oxide import PdfDocument

doc = PdfDocument("report.pdf")
text = doc.extract_text(0)
print(text)

pypdf:

from pypdf import PdfReader

reader = PdfReader("report.pdf")
text = reader.pages[0].extract_text()
print(text)

提取所有页面

PDF Oxide:

from pdf_oxide import PdfDocument

doc = PdfDocument("book.pdf")
for i in range(doc.page_count()):
    text = doc.extract_text(i)
    print(f"--- Page {i + 1} ---")
    print(text)

pypdf:

from pypdf import PdfReader

reader = PdfReader("book.pdf")
for page in reader.pages:
    text = page.extract_text()
    print(text)

图像提取

PDF Oxide:

from pdf_oxide import PdfDocument

doc = PdfDocument("report.pdf")
images = doc.extract_image_bytes(0)
for i, img in enumerate(images):
    with open(f"image_{i}.{img['format']}", "wb") as f:
        f.write(img["data"])

pypdf:

from pypdf import PdfReader

reader = PdfReader("report.pdf")
page = reader.pages[0]
for i, image in enumerate(page.images):
    with open(f"image_{i}.{image.name.split('.')[-1]}", "wb") as f:
        f.write(image.data)

加密的 PDF

PDF Oxide:

from pdf_oxide import PdfDocument

doc = PdfDocument("encrypted.pdf", password="secret")
text = doc.extract_text(0)

pypdf:

from pypdf import PdfReader

reader = PdfReader("encrypted.pdf")
reader.decrypt("secret")
text = reader.pages[0].extract_text()

Markdown 转换

PDF Oxide（内置）:

from pdf_oxide import PdfDocument

doc = PdfDocument("paper.pdf")
md = doc.to_markdown(0, detect_headings=True)
print(md)

pypdf:

# pypdf has no Markdown conversion.
# You would need a separate tool chain.

基准测试详情

指标 PDF Oxide pypdf
平均提取耗时 0.8ms 12.1ms
p99 提取耗时 9ms 97ms
通过率（有效 PDF） 100%（3,823/3,823） 98.4%（3,762/3,823）

pypdf 的纯 Python 实现意味着每一个操作都在解释器中运行。PDF Oxide 的 Rust 内核以原生方式处理解析、字体解码和文本组装，只有最终结果才跨越 Python 边界。

语料库详情请参阅完整基准测试方法。

功能差距

pypdf 擅长 PDF 操作——合并、拆分、旋转和加密。但它缺少：

功能 PDF Oxide pypdf
Markdown 转换 doc.to_markdown(0) 不提供
HTML 转换 doc.to_html(0) 不提供
从内容创建 PDF Pdf.from_markdown()、Pdf.from_html() 不提供
渲染为图像 支持 不提供
扫描件 PDF 的 OCR 内置 PaddleOCR 不提供
文本搜索 doc.search("query") 不提供
字符级边界框 doc.extract_chars(0) 部分支持
PDF/A 校验 支持 不提供

如果你的工作流纯粹是合并/拆分/旋转，pypdf 轻量的纯 Python 方案是合理的选择。但只要涉及文本提取质量、创建或转换，PDF Oxide 都是更完整的选项。

何时继续使用 pypdf

  • 你需要一个不含任何编译扩展的纯 Python 依赖
  • 你的用例严格限于合并/拆分/旋转/加密，不涉及文本提取
  • 你需要 pypdf 特定的 PDF 操作方法以兼容遗留集成

相关页面